למידה עמוקה היא תת-קבוצה מסוימת של למידת מכונה (המכניקה של בינה מלאכותית). בעוד שענף זה של תכנות יכול להפוך למורכב מאוד, זה התחיל בשאלה מאוד פשוטה: "אם אנחנו רוצים שמערכת מחשב תפעל בצורה חכמה, למה שלא נעצב אותה לפי המוח האנושי?"
מחשבה אחת זו הולידה מאמצים רבים בעשורים האחרונים ליצור אלגוריתמים שמחקים את הדרך שבה המוח האנושי עבד - ושיכולים לפתור בעיות כמו שבני האדם עשו. מאמצים אלה הניבו כלי ניתוח בעלי ערך, מוכשרים יותר ויותר, המשמשים בתחומים רבים ושונים.
סרטונים מומלצים
הרשת העצבית וכיצד נעשה בה שימוש
למידה עמוקה מקבל את שמו מהאופן שבו הוא משמש לניתוח נתונים "לא מובנים", או נתונים שלא סומנו בעבר על ידי מקור אחר ועשויים להזדקק להגדרה. זה דורש ניתוח מדוקדק של הנתונים, ובדיקות חוזרות ונשנות של הנתונים האלה כדי להסתיים עם מסקנה סופית ושמישה. מחשבים לא טובים באופן מסורתי בניתוח נתונים לא מובנים כמו זה.
קָשׁוּר
- א.י. כלי תרגום שופך אור על השפה הסודית של עכברים
- מחקר 'מוצל' חדש מ-MIT משתמש בצללים כדי לראות מה מצלמות לא יכולות
- בינה מלאכותית יכולה כעת לזהות ציפור רק על ידי התבוננות בתמונה
חשבו על זה במונחים של כתיבה: אם היו לכם עשרה אנשים שכתבו את אותה מילה, המילה הזו הייתה נראית שונה מאוד מכל אדם, ממרושלת למסודרת, ומכתבה להדפסה. למוח האנושי אין בעיה להבין שהכל אותה מילה, כי הוא יודע איך מילים, כתיבה, נייר, דיו ומוזרויות אישיות פועלות כולם. מערכת מחשב רגילה, לעומת זאת, לא תוכל לדעת שהמילים הללו זהות, כי כולן נראות כל כך שונות.
זה מביא אותנו ל-via רשתות עצביות, האלגוריתמים שנוצרו במיוחד כדי לחקות את הדרך שבה נוירונים במוח מתקשרים. רשתות עצביות מנסות לנתח נתונים כמו שמוח יכול: המטרה שלהן היא להתמודד עם נתונים מבולגנים - כמו כתיבה - ולהסיק מסקנות שימושיות, כמו המילים שהכתיבה מנסה להראות. הכי קל להבין רשתות עצביות אם נחלק אותם לשלושה חלקים חשובים:
שכבת הקלט: בשכבת הקלט, הרשת העצבית קולטת את כל הנתונים הלא מסווגים שהיא ניתנת לה. משמעות הדבר היא פירוק המידע למספרים והפיכתם לחלקים של נתונים כן או לא, או "נוירונים". אם אתה רוצה ללמד רשת עצבית לזהות מילים, אז שכבת הקלט תהיה מתמטית הגדרת הצורה של כל אות, פירוקה לשפה דיגיטלית כדי שהרשת תוכל להתחיל עובד. שכבת הקלט יכולה להיות די פשוטה או מורכבת להפליא, תלוי כמה קל לייצג משהו מתמטית.
השכבות הנסתרות: במרכז הרשת העצבית נסתרות שכבות - בכל מקום מאחת לרבות. שכבות אלו עשויות מנירונים דיגיטליים משלהן, שנועדו להפעיל או לא להפעיל על סמך שכבת הנוירונים שקודמת להן. נוירון בודד הוא יסוד "אם זה, אז זה“ מודל, אבל שכבות עשויות משרשראות ארוכות של נוירונים, ושכבות רבות ושונות יכולות להשפיע אחת על השנייה, וליצור תוצאות מורכבות מאוד. המטרה היא לאפשר לרשת העצבית לזהות תכונות רבות ושונות ולשלב אותן לכדי מימוש אחד, כמו ילד ללמוד לזהות כל אות ואז ליצור אותם יחד כדי לזהות מילה מלאה, גם אם המילה הזו כתובה מעט מרושל.
השכבות הנסתרות הן גם המקום שבו מתרחשת הרבה אימון למידה עמוקה. לדוגמה, אם האלגוריתם לא הצליח לזהות במדויק מילה, מתכנתים שולחים בחזרה, "סליחה, זה לא נכון", והאלגוריתם יתאים את אופן שקלול הנתונים עד שימצא את הנכונים תשובות. חזרה על תהליך זה (מתכנתים עשויים גם להתאים משקלים באופן ידני) מאפשרת לרשת העצבית לבנות שכבות נסתרות חזקות מיומן בחיפוש אחר התשובות הנכונות באמצעות הרבה ניסוי וטעייה פלוס, קצת הדרכה מבחוץ - שוב, בדומה לאופן שבו המוח האנושי עובד. כפי שמראה התמונה לעיל, שכבות נסתרות יכולות להיות מורכבות מאוד!
שכבת הפלט: בשכבת הפלט יש יחסית מעט "נוירונים" כי שם מתקבלות ההחלטות הסופיות. כאן הרשת העצבית מיישמת את הניתוח הסופי, מסתפקת בהגדרות עבור הנתונים ומסיקה את המסקנות המתוכנתות על סמך ההגדרות הללו. לדוגמה, "מספיק מהנתונים עומדים בתור כדי לומר שהמילה הזו היא אֲגַם, לא נתיב." בסופו של דבר כל הנתונים שעוברים ברשת מצטמצמים לנוירונים ספציפיים בשכבת הפלט. מכיוון שכאן המטרות מתממשות, זה לרוב אחד החלקים הראשונים של הרשת שנוצרו.
יישומים
אם אתה משתמש בטכנולוגיה מודרנית, רוב הסיכויים שאלגוריתמי למידה עמוקה פועלים סביבך, מדי יום. איך אתה חושב ש אלכסה אוֹ Google Assistant להבין את הפקודות הקוליות שלך? הם משתמשים ברשתות עצביות שנבנו כדי להבין דיבור. איך גוגל יודע מה אתה מחפש לפני שתסיים להקליד? יותר למידה מעמיקה בעבודה. כיצד מצלמת האבטחה שלך מתעלמת מחיות מחמד אך מזהה תנועה אנושית? למידה מעמיקה שוב.
בכל פעם שהתוכנה מזהה תשומות אנושיות, מ זיהוי פנים לעוזרים קוליים, כנראה שלמידה עמוקה פועלת אי שם מתחת. עם זאת, לתחום יש גם יישומים שימושיים רבים אחרים. רפואה היא תחום מבטיח במיוחד, שבו נעשה שימוש בלמידה עמוקה מתקדמת כדי לנתח DNA עבור פגמים או תרכובות מולקולריות עבור יתרונות בריאותיים פוטנציאליים. במישור הפיזי יותר, למידה עמוקה משמשת במספר הולך וגדל של מכונות וכלי רכב כדי לחזות מתי הציוד זקוק לתחזוקה לפני שמשהו ישתבש בצורה רצינית.
העתיד של למידה עמוקה
העתיד של למידה עמוקה הוא מזהיר במיוחד! הדבר הגדול ברשת נוירונים הוא שהיא מצטיינת בהתמודדות עם כמות עצומה של נתונים שונים (תחשבו על כל מה שהמוח שלנו צריך להתמודד איתו, כל הזמן). זה רלוונטי במיוחד בעידן שלנו של חיישנים חכמים מתקדמים, שיכולים לאסוף כמות מדהימה של מידע. פתרונות מחשב מסורתיים מתחילים להיאבק במיון, תיוג והסקת מסקנות מכל כך הרבה נתונים.
למידה עמוקה, לעומת זאת, יכולה להתמודד עם הררי הנתונים הדיגיטליים שאנו אוספים. למעשה, ככל שכמות הנתונים גדולה יותר, כך הלמידה העמוקה נעשית יעילה יותר בהשוואה לשיטות ניתוח אחרות. זו הסיבה שארגונים כמו גוגל להשקיע כל כך הרבה באלגוריתמי למידה עמוקה, ומדוע הם צפויים להיות נפוצים יותר בעתיד.
וכמובן, הרובוטים. לעולם לא נשכח את הרובוטים.
המלצות עורכים
- למידה עמוקה של A.I. עוזר לארכיאולוגים לתרגם לוחות עתיקים
- למידה עמוקה א.י. יכול לחקות את אפקטי הדיסטורשן של אלי גיטרה איקוניים
- קריאת מחשבות א.י. מנתח את גלי המוח שלך כדי לנחש באיזה סרטון אתה צופה
- אפליקציה זו המופעלת על ידי A.I יכולה לזהות סרטן עור בדיוק של 95 אחוז
- א.י. חוקרים יוצרים מערכת לזיהוי פנים עבור שימפנזים